物质科学催化反应产率预测之baseline（Datawhale AI 夏令营）

AI在催化反应条件优化中的应用

背景

        在现代药物合成中，催化合成反应，如碳氮成键反应和Diels-Alder环加成反应，具有重要地位。研究人员和工业界在开发这些反应的新催化合成方法时，往往希望以高产率获得目标产物，从而提高原子经济性，减少资源浪费与环境污染。然而，开发高活性的催化反应体系往往需要对多种反应条件，包括催化剂和溶剂，进行详尽的探索。这一过程既耗时又费力，目前主要依赖于经验判断和偶然发现，严重制约了新高效催化合成策略的开发。

AI在反应优化中的角色

        反应底物和反应条件是决定产率的关键因素。通过利用AI模型捕捉底物、条件与产率之间的内在联系，可以通过输入底物和条件信息，预测该反应组合下的产率，从而有效提升催化反应的条件筛选效率。

比赛介绍

任务描述

        本次比赛提供了多种常见的催化反应实验数据，包括反应底物、催化剂、溶剂和产物。参赛选手需要通过分析这些数据，利用机器学习、深度学习算法或大语言模型，建立产率预测模型，以辅助新反应条件的筛选。

初赛任务

        初赛任务是构建一个能够准确预测碳氮成键反应产率的模型。选手需要通过对反应中的底物、添加剂、溶剂和产物进行合理特征化，运用机器学习或深度学习模型拟合并预测反应产率，或者利用训练数据对开源大语言模型进行微调，以预测反应产率。

数据集介绍

        初赛数据集包含碳氮成键反应数据，训练集中包含23,538条反应数据，测试集中包含2,616条反应数据。每条训练数据包含以下字段：

• rxnid: 数据ID
• Reactant1: 反应物1
• Reactant2: 反应物2
• Product: 产物
• Additive: 添加剂
• Solvent: 溶剂
• Yield: 产率

        数据格式如下所示：

# 安装必要的库
!pip install pandas
!pip install -U scikit-learn
!pip install rdkit

模型构建与实现

环境配置

        在开始特征提取和模型训练之前，首先需要配置Python环境并安装必要的库：

# 安装必要的库
!pip install pandas
!pip install -U scikit-learn
!pip install rdkit

特征提取

        使用RDKit工具从SMILES字符串中提取分子指纹：

import pickle
import pandas as pd
import numpy as np
from tqdm import tqdm
from rdkit import Chem
from rdkit.Chem import rdMolDescriptors
from rdkit import RDLogger
from sklearn.ensemble import RandomForestRegressor

# 关闭RDKit的日志记录
RDLogger.DisableLog('rdApp.*')

# 定义提取分子指纹的函数
def mfgen(mol, nBits=2048, radius=2):
    fp = rdMolDescriptors.GetMorganFingerprintAsBitVect(mol, radius=radius, nBits=nBits)
    return np.array(list(map(int, list(fp.ToBitString()))))

def vec_cpd_lst(smi_lst):
    smi_set = list(set(smi_lst))
    smi_vec_map = {}
    for smi in tqdm(smi_set):
        mol = Chem.MolFromSmiles(smi)
        smi_vec_map[smi] = mfgen(mol)
    smi_vec_map[''] = np.zeros(2048)
    vec_lst = [smi_vec_map[smi] for smi in smi_lst]
    return np.array(vec_lst)

# 加载数据
dataset_dir = 'dataset'  # 请根据实际情况修改路径
train_df = pd.read_csv(f'{dataset_dir}/round1_train_data.csv')
test_df = pd.read_csv(f'{dataset_dir}/round1_test_data.csv')

print(f'Training set size: {len(train_df)}, test set size: {len(test_df)}')

# 提取训练集特征
train_rct1_fp = vec_cpd_lst(train_df['Reactant1'].tolist())
train_rct2_fp = vec_cpd_lst(train_df['Reactant2'].tolist())
train_add_fp = vec_cpd_lst(train_df['Additive'].tolist())
train_sol_fp = vec_cpd_lst(train_df['Solvent'].tolist())

train_x = np.concatenate([train_rct1_fp, train_rct2_fp, train_add_fp, train_sol_fp], axis=1)
train_y = train_df['Yield'].to_numpy()

# 提取测试集特征
test_rct1_fp = vec_cpd_lst(test_df['Reactant1'].tolist())
test_rct2_fp = vec_cpd_lst(test_df['Reactant2'].tolist())
test_add_fp = vec_cpd_lst(test_df['Additive'].tolist())
test_sol_fp = vec_cpd_lst(test_df['Solvent'].tolist())

test_x = np.concatenate([test_rct1_fp, test_rct2_fp, test_add_fp, test_sol_fp], axis=1)

模型训练

        使用随机森林模型对训练数据进行拟合：

# 训练模型
model = RandomForestRegressor(n_estimators=100, max_depth=10, min_samples_split=2, min_samples_leaf=1, n_jobs=-1)
model.fit(train_x, train_y)

模型保存与加载

        模型训练完成后，可以保存并在预测时加载：

# 保存模型
with open('random_forest_model.pkl', 'wb') as file:
    pickle.dump(model, file)

# 加载模型
with open('random_forest_model.pkl', 'rb') as file:
    loaded_model = pickle.load(file)

预测结果

        使用训练好的模型对测试集进行预测，并生成文件：

# 预测测试集结果
test_pred = loaded_model.predict(test_x)

# 生成提交文件
ans_str_lst = ['rxnid,Yield']
for idx, y in enumerate(test_pred):
    ans_str_lst.append(f'test{idx+1},{y:.4f}')
with open('submit.txt', 'w') as fw:
    fw.writelines('\n'.join(ans_str_lst))

结语

        通过对反应数据进行特征化和模型训练，利用机器学习方法预测反应产率，可以显著提高催化反应条件的筛选效率，为药物合成和其他化学反应的优化提供有力支持。未来，随着AI技术的发展，催化反应优化的效率将进一步提升，为绿色化学和可持续发展做出更大贡献。

如果你觉得这篇博文对你有帮助，请点赞、收藏、关注我，并且可以打赏支持我！

欢迎关注我的后续博文，我将分享更多关于人工智能、自然语言处理和计算机视觉的精彩内容。

谢谢大家的支持！